【数据结构和算法】 K 和数对的最大数目

简介: 给你一个整数数组nums和一个整数k。每一步操作中,你需要从数组中选出和为k的两个整数,并将它们移出数组。返回你可以对数组执行的最大操作数。

 其他系列文章导航

Java基础合集

数据结构与算法合集

设计模式合集

多线程合集

分布式合集

ES合集


文章目录

其他系列文章导航

文章目录

前言

一、题目描述

二、题解

2.1 方法一:双指针排序

三、代码

3.1 方法一:双指针排序

3.2 方法二:两次遍历 hash 法

3.3 方法三:一次遍历 hash 法

四、复杂度分析

4.1 方法一:双指针排序

4.2 方法二:两次遍历 hash 法

4.3 方法三:一次遍历 hash 法


前言

这是力扣的 1679 题,难度为中等,解题方案有很多种,本文讲解我认为最奇妙的一种。


一、题目描述

给你一个整数数组 nums 和一个整数 k

每一步操作中,你需要从数组中选出和为 k 的两个整数,并将它们移出数组。

返回你可以对数组执行的最大操作数。

示例 1:

输入:nums = [1,2,3,4], k = 5

输出:2

解释:开始时 nums = [1,2,3,4]:

- 移出 1 和 4 ,之后 nums = [2,3]

- 移出 2 和 3 ,之后 nums = []

不再有和为 5 的数对,因此最多执行 2 次操作。

示例 2:

输入:nums = [3,1,3,4,3], k = 6

输出:1

解释:开始时 nums = [3,1,3,4,3]:

- 移出前两个 3 ,之后nums = [1,4,3]

不再有和为 6 的数对,因此最多执行 1 次操作。


提示:

    • 1 <= nums.length <= 105
    • 1 <= nums[i] <= 109
    • 1 <= k <= 109

    二、题解

    本题其实有很多种解法,比方说两次遍历 hash 法,一次遍历 hash 法,但这些方法都不如双指针排序法简洁干练,销量也没双指针排序法高。

    两次遍历 hash 法:时间复杂度O(n),空间复杂度O(n)。

    一次遍历 hash 法:时间复杂度O(n),空间复杂度O(n)。

    双指针排序法:时间复杂度O(nlogn + n),空间复杂度O(1)。

    但按理说排序的时间复杂度是大于 hash 的,但是他的代码效率反而更高,说明 hash 算法的效率太低,或者冲突严重。

    在下面我也会贴两次遍历 hash 法和一次遍历 hash 法的代码,解题思路就不讲解了。

    2.1 方法一:双指针排序

    思路与算法:

    1. 首先先将数组排序,在设定左右指针 i 和 j ,分别指向数组的头和尾。

    image.gif编辑

    2. 将两个指针指向的数进行求和:

      • 若和大于目标,则说明太大了,需要右指针左移(可以使和变小)。
      • 若和小于目标,则说明太小了,需要左指针右移(可以使和变大)。
      • 若和等于目标,则两个指针都往中间移动,结果 + 1 。

      3. 循环2步骤直至左指针不在右指针的左边。

      image.gif编辑


      三、代码

      3.1 方法一:双指针排序

      Java版本:

      class Solution {
          public int maxOperations(int[] nums, int k) {
          int count = 0, i = 0, j = nums.length - 1;
              Arrays.sort(nums);
              while (i < j) {
                  if (nums[i] + nums[j] == k) {
                      count++;
                      i++;
                      j--;
                  } else if (nums[i] + nums[j] > k) {
                      j--;
                  } else {
                      i++;
                  }
              }
              return count;
          }
      }

      image.gif

      C++版本:

      #include <algorithm>
      #include <vector>
      class Solution {
      public:
          int maxOperations(std::vector<int>& nums, int k) {
              int count = 0;
              std::sort(nums.begin(), nums.end());
              int i = 0, j = nums.size() - 1;
              while (i < j) {
                  if (nums[i] + nums[j] == k) {
                      count++;
                      i++;
                      j--;
                  } else if (nums[i] + nums[j] > k) {
                      j--;
                  } else {
                      i++;
                  }
              }
              return count;
          }
      };

      image.gif

      Python版本:

      class Solution:
          def maxOperations(self, nums: List[int], k: int) -> int:
              count = 0
              nums.sort()
              i, j = 0, len(nums) - 1
              while i < j:
                  if nums[i] + nums[j] == k:
                      count += 1
                      i += 1
                      j -= 1
                  elif nums[i] + nums[j] > k:
                      j -= 1
                  else:
                      i += 1
              return count

      image.gif

      3.2 方法二:两次遍历 hash 法

      Java版本:

      class Solution {
          public int maxOperations(int[] nums, int k) {
              Map<Integer, Integer> map = new HashMap<>(nums.length);
              //统计每个数据出现的次数,key为数据,value为次数
              for (int num : nums) {
                  Integer i = map.getOrDefault(num, 0);
                  map.put(num, i + 1);
              }
              int result = 0;
              for (int num : nums) {
                  // 求和达到K的数据
                  int x = k - num;
                  // 从map获取x
                  int i = map.get(num);
                  //如果次数小于等于0,说明数据被使用过了【就算后面遍历到他,也可以跳过了】
                  if (i <= 0) {
                      continue;
                  }
                  //统计数量减一,先减去,防止两个相同的数据相加达到K,而只有一个数据
                  //【有个大兄弟有疑问,为什么直接删了。补充一下:因为是两遍循环,第一次就统计过所有的数据了,如果后面的if无法进入,那么之后也不可能了,删了就删了,无所谓了。】
                  map.put(num, i - 1);
                  // 是否有 另一个数据。且统计的数量大于0
                  if (map.containsKey(x) && map.get(x) > 0) {
                      result++;//结果+1
                      map.put(x, map.get(x) - 1);// 数量减一
                  }
              }
              return result;
          }
      }

      image.gif

      3.3 方法三:一次遍历 hash 法

      Java版本:

      class Solution {
          public int maxOperations(int[] nums, int k) {
              Map<Integer, Integer> map = new HashMap<>(nums.length);
              int result = 0;
              //统计每个数据出现的次数,key为数据,value为次数
              for (int num : nums) {
                  // 获取求和的另一个数
                  int x = k - num;
                  // 从map获取x
                  Integer i = map.get(x);
                  // 是否有 另一个数据。且统计的数量大于0
                  if (i != null && map.get(x) > 0) {
                      result++;//结果+1
                      map.put(x, map.get(x) - 1);// 数量减一
                      continue;
                  }
                  //这个数没有被使用,统计数量+1
                  Integer count = map.getOrDefault(num, 0);
                  map.put(num, count + 1);
              }
              return result;
          }
      }

      image.gif


      四、复杂度分析

      4.1 方法一:双指针排序

        • 时间复杂度O(nlogn + n)。
        • 空间复杂度O(1)。

        4.2 方法二:两次遍历 hash 法

          • 时间复杂度O(n)。
          • 空间复杂度O(n)。

          4.3 方法三:一次遍历 hash 法

            • 时间复杂度O(n)。
            • 空间复杂度O(n)。


            目录
            相关文章
            |
            6天前
            |
            存储 监控 NoSQL
            Redis处理大量数据主要依赖于其内存存储结构、高效的数据结构和算法,以及一系列的优化策略
            【5月更文挑战第15天】Redis处理大量数据依赖内存存储、高效数据结构和优化策略。选择合适的数据结构、利用批量操作减少网络开销、控制批量大小、使用Redis Cluster进行分布式存储、优化内存使用及监控调优是关键。通过这些方法,Redis能有效处理大量数据并保持高性能。
            26 0
            |
            4天前
            |
            缓存 算法 Java
            数据结构~缓存淘汰算法--LRU算法(Java的俩种实现方式,万字解析
            数据结构~缓存淘汰算法--LRU算法(Java的俩种实现方式,万字解析
            |
            6天前
            |
            机器学习/深度学习 算法 数据可视化
            Python 数据结构和算法实用指南(四)(4)
            Python 数据结构和算法实用指南(四)
            13 1
            |
            6天前
            |
            机器学习/深度学习 存储 算法
            Python 数据结构和算法实用指南(四)(3)
            Python 数据结构和算法实用指南(四)
            15 1
            |
            6天前
            |
            存储 算法 搜索推荐
            Python 数据结构和算法实用指南(四)(2)
            Python 数据结构和算法实用指南(四)
            10 0
            |
            6天前
            |
            存储 算法 Serverless
            Python 数据结构和算法实用指南(四)(1)
            Python 数据结构和算法实用指南(四)
            14 0
            |
            6天前
            |
            存储 算法 搜索推荐
            Python 数据结构和算法实用指南(三)(4)
            Python 数据结构和算法实用指南(三)
            11 1
            |
            6天前
            |
            存储 搜索推荐 算法
            Python 数据结构和算法实用指南(三)(3)
            Python 数据结构和算法实用指南(三)
            10 1
            |
            6天前
            |
            存储 算法 前端开发
            Python 数据结构和算法实用指南(三)(2)
            Python 数据结构和算法实用指南(三)
            10 1
            |
            6天前
            |
            存储 算法 编译器
            Python 数据结构和算法实用指南(三)(1)
            Python 数据结构和算法实用指南(三)
            13 1